Dynamic contrast-enhanced MRI-derived intratumoral heterogeneity quantification score: Improving lymphovascular invasion and invasive breast cancer recurrence-free survival predictions.
DCE-MRI 衍生的 ITH 分數搭配 CatBoost 模型，以 AUC 0.869 準確預測乳癌淋巴血管侵犯。
- 分析 223 例乳癌患者的 DCE-MRI 峰值強化相。
- 單獨 ITH 分數預測淋巴血管侵犯達 AUC 0.791。
- 整合 ITH 與 MRI 形態特徵的 CatBoost 模型達 AUC 0.869。
利用動態對比增強磁振造影萃取出的腫瘤內異質性分數，在預測侵入性乳癌的淋巴血管侵犯時，單獨使用就能達到 AUC 0.791 的準確度。若將這個分數與傳統形態學特徵結合並輸入 CatBoost 機器學習模型，預測效能更飆升至 AUC 0.869，為術前風險評估提供了非侵入性的量化新基準。
DCE-MRI 影像特徵在侵入性乳癌預後評估的量化挑戰
檢視侵入性乳癌的臨床預後評估流程，精準預估淋巴血管侵犯與無復發存活期一直具備高度的指標性意義。傳統的淋巴血管侵犯判定往往必須仰賴手術後的組織病理學檢驗，在術前階段難以獲取確切數據。為了突破這項時效上的限制，醫學影像領域逐漸將目光轉向術前常規執行的 DCE-MRI (動態對比增強磁振造影，評估血流灌注)。本項回顧性世代研究共納入了 223 例經由組織病理學確診為 IBC (侵入性乳癌，具轉移潛力的乳癌) 的病患。分析團隊並非單純藉由肉眼判讀影像上的腫瘤整體形態，而是嘗試深究影像數據中蘊含的微觀差異。透過精細解析紋理特徵與影像像素的空間分佈狀態，研究目標在於將原本抽象的 ITH (腫瘤內異質性，反映腫瘤複雜度) 加以具體量化。這種建立客觀 ITH 分數的作法，旨在捕捉腫瘤內部微血管生成與細胞排列不均勻所投射在磁振造影上的微小訊號變化。
峰值腫瘤強化相驅動的分群與特徵提取機制
進入特徵提取階段，影像處理的關鍵在於如何準確捕捉腫瘤組織的血流動力學特性。在動態對比增強掃描的過程中，造影劑進入組織會呈現隨時間變化的訊號強度曲線。研究團隊特別鎖定了「峰值腫瘤強化相 (Peak tumor enhancement phase)」的影像數據作為分析基礎。利用這個特定時間相位的訊號強度，演算法對影像資料進行了驅動分群 (clustering) 的運算。透過這種資料分群技術，原本被視為單一實體的腫瘤，被劃分出多個具有不同對比劑攝取特性的次區域 (subregions)。在確立這些細部區域的邊界後，系統便進一步針對每個區域提取 radiomics (放射影像組學，萃取高維度定量特徵) 數據。同時，分析模型也提取了 habitats (腫瘤棲地，反映內部微環境空間差異) 的特徵參數。將時間軸上的峰值動力學變化與空間軸上的棲地特徵相結合，使得最終計算出的 ITH 分數能夠更忠實地反映活體腫瘤內部的複雜生理狀態。
六種機器學習架構設計與 MRI-MF 特徵的整合
處理完高維度的影像特徵資料後，接下來的挑戰是如何將這些複雜的量化數據轉化為具備臨床預測能力的決策模型。在此階段，研究設計共導入了六種不同的機器學習模型架構進行交叉評估。輸入至這些模型進行訓練的變數，除了前述精心萃取出的 ITH 分數之外，還整合了常規的 MRI-MF (MRI 形態學特徵，如邊緣規則度)。模型同時也納入了其他具備統計顯著性的臨床指標，確保預測基礎的全面性。經過多種演算法的運算與篩選，這項研究最終致力於開發出一個整合性的預後列線圖 (nomogram)。在各種預測模型中，基於梯度提升決策樹原理的 CatBoost 演算法展現了最優異的整合能力，被選用為建構混合模型的核心。為了嚴謹驗證這些模型的實際效能，分析過程中廣泛採用了 AUC (接收者操作特徵曲線下面積，評估模型鑑別力)、Cox 比例風險迴歸以及特定的存活分析方法進行全方位的統計檢驗。
各模型預測準確度解析：AUC 0.869 的混合表現
將焦點轉向預測效能的實際數據，驗證集 (validation set) 的分析結果明確揭示了各單一特徵模組在預測淋巴血管侵犯時的層級差異。單獨運算的 ITH 分數展現了最為優越的預測準確度，其 AUC 值達到 0.791，95% 信賴區間 (CI) 落於 0.706-0.870 之間。作為對照，單純使用腫瘤棲地 (habitats) 特徵的分析模型，其 AUC 為 0.762 (95% CI: 0.676-0.837)。而常規的放射影像組學 (radiomics) 特徵分析，在預測效能上則為 AUC 0.739 (95% CI: 0.648-0.826)。這組對比數據清楚表明，結合像素分佈與紋理資訊的 ITH 分數，在捕捉腫瘤侵襲性標記上具有更高的敏銳度。更引人注目的是，當系統利用 CatBoost 演算法將 ITH 分數與傳統的 MRI 形態學特徵進行混合運算後，整體預測能力獲得了顯著的突破。這個 CatBoost 驅動的混合模型，其預測效能一舉攀升至最高的 AUC 0.869 (95% CI: 0.763-0.948)，證實了微觀異質性量化數據與巨觀形態特徵之間存在著強大的互補效應。
| 特徵模組 | AUC | 95% CI |
|---|---|---|
| 放射影像組學 (Radiomics) | 0.739 | 0.648-0.826 |
| 腫瘤棲地 (Habitats) | 0.762 | 0.676-0.837 |
| 腫瘤內異質性分數 (ITH score) | 0.791 | 0.706-0.870 |
| CatBoost 混合模型 (ITH + MRI-MF) | 0.869 | 0.763-0.948 |
Kaplan-Meier 存活分析與無復發存活期的關聯
除了當下的病理狀態預測，影像特徵與長期存活預後之間的關聯同樣是本次分析的核心焦點。在針對 RFS (無復發存活期，評估疾病控制時間) 執行的 Kaplan-Meier 存活分析中，統計曲線揭示了極為明確的分野。數據顯示，具有淋巴血管侵犯陽性 (LVI +) 特徵的患者群體，其後續的無復發存活時間顯著短於陰性患者。在影像量化指標方面，於術前 DCE-MRI 影像分析中獲得高 ITH 分數的病患個案，同樣呈現出較高的早期復發傾向。此外，在綜合列線圖評估中被歸類為高風險 (high nomogram risk) 等級的患者，其復發機率也隨之大幅上升。在上述各項預後指標的統計檢定中，均達到了 p < 0.005 的高度顯著性水準。這項存活分析結果有力地支持了一個論點：透過動態對比增強磁振造影所擷取的非侵入性量化特徵，不僅能有效對應目前的微觀病理變化，更具備預測患者長期預後軌跡的實質追蹤價值。
ITH 量化技術於侵入性乳癌的適用邊界與限制
綜合上述機器學習與存活分析的結果，動態對比增強磁振造影所衍生的腫瘤內異質性分數，已證實具備預測侵入性乳癌患者淋巴血管侵犯及無復發存活期的技術潛力。由 CatBoost 演算法驅動的混合模型，藉由整合影像異質性與形態學資訊，為個人化的預後評估與治療路徑規劃提供了精確的量化工具。這些發現凸顯了非侵入性 ITH 量化技術在實現精準風險分層上的價值，未來可能對侵入性乳癌的術前臨床決策模式產生實質影響。然而，從技術實證的邊界來看，本研究仍受限於單一機構 223 例樣本的回顧性分析框架。機器學習模型在面對不同廠牌磁振造影儀器時的強健性仍有待確認。此外，由於特徵萃取高度依賴影像中的峰值強化相位，臨床實務中造影劑注射速率、掃描時間解析度以及空間解析度的參數設定差異，皆可能對 ITH 分數的絕對數值產生波動影響，這也是未來導入多中心驗證時必須克服的技術變數。
DCE-MRI 萃取的腫瘤內異質性分數結合 CatBoost 模型，能以 AUC 0.869 的高準確度預測乳癌淋巴血管侵犯與存活預後。